論文の概要: PriorGAN: Real Data Prior for Generative Adversarial Nets

• arxiv url: http://arxiv.org/abs/2006.16990v1
• Date: Tue, 30 Jun 2020 17:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:04:15.685264
• Title: PriorGAN: Real Data Prior for Generative Adversarial Nets
• Title（参考訳）: priorgan: 生成型adversarial netsに先行する実データ
• Authors: Shuyang Gu, Jianmin Bao, Dong Chen, Fang Wen
• Abstract要約: 本稿では,GAN(PreferGAN)と呼ばれる,GANの実際のデータ分布全体をキャプチャする手法を提案する。 実験の結果,CIFAR-10,FFHQ,LSUN-cat,LSUN-birdのデータセットにおいて,プリエントGANは最先端のデータセットよりも大きな差があることがわかった。
• 参考スコア（独自算出の注目度）: 36.01759301994946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) have achieved rapid progress in learning rich data distributions. However, we argue about two main issues in existing techniques. First, the low quality problem where the learned distribution has massive low quality samples. Second, the missing modes problem where the learned distribution misses some certain regions of the real data distribution. To address these two issues, we propose a novel prior that captures the whole real data distribution for GANs, which are called PriorGANs. To be specific, we adopt a simple yet elegant Gaussian Mixture Model (GMM) to build an explicit probability distribution on the feature level for the whole real data. By maximizing the probability of generated data, we can push the low quality samples to high quality. Meanwhile, equipped with the prior, we can estimate the missing modes in the learned distribution and design a sampling strategy on the real data to solve the problem. The proposed real data prior can generalize to various training settings of GANs, such as LSGAN, WGAN-GP, SNGAN, and even the StyleGAN. Our experiments demonstrate that PriorGANs outperform the state-of-the-art on the CIFAR-10, FFHQ, LSUN-cat, and LSUN-bird datasets by large margins.
• Abstract（参考訳）: generative adversarial networks (gans) は、リッチなデータ分布の学習において急速に進歩した。 しかし、既存の技術の主な2つの問題について論じる。 第一に、学習した分布が大量の低品質サンプルを持つ低品質問題である。 第二に、学習した分布が実際のデータ分布の特定の領域を逸脱する欠落モードの問題である。 これら2つの問題に対処するため,我々は,GAN(PreferGAN)と呼ばれる,GANの実際のデータ分布全体をキャプチャする手法を提案する。 具体的には、単純かつエレガントなガウス混合モデル(gmm)を採用し、実データ全体の特徴量に明示的な確率分布を構築する。 生成データの確率を最大化することで、低品質のサンプルを高品質にプッシュすることができる。 一方,先行手法を用いて学習した分布の欠落モードを推定し,実データに基づくサンプリング戦略を設計し,その問題を解決する。 提案した実データは,LSGAN,WGAN-GP,SNGAN,さらにはStyleGANなど,さまざまなトレーニング設定に一般化することができる。 実験の結果,CIFAR-10,FFHQ,LSUN-cat,LSUN-birdのデータセットにおいて,プリエントGANは最先端のデータセットよりも大きな差があることがわかった。

関連論文リスト

• Theoretically Guaranteed Distribution Adaptable Learning [23.121014921407898]
  分散適応学習(DAL)と呼ばれる新しいフレームワークを提案する。 DALは、進化するデータ分散を効果的に追跡することを可能にする。 進化する分布を調節する上で、DALの再利用性と進化性を高めることができる。
  論文  参考訳（メタデータ） (2024-11-05T09:10:39Z)
• Federated Learning for distribution skewed data using sample weights [3.6039117546761155]
  本研究は,クライアント間のスキューデータ分散におけるフェデレート学習性能の向上に焦点を当てた。 主な考え方は、サンプル重量を用いてクライアントの分布をグローバルな分布に近づけることである。 提案手法は,フェデレーション学習の精度を向上するだけでなく,通信コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-01-05T00:46:11Z)
• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• MaGNET: Uniform Sampling from Deep Generative Network Manifolds Without Retraining [9.294580808320534]
  我々は、DGNが訓練された場合、学習多様体上に均一に分布するサンプルを生成する、微分幾何学に基づくサンプリング器、MaGNETを開発した。 我々は,この手法がトレーニングセットの分布によらず,多様体上の一様分布を生成することを理論的かつ実証的に証明する。
  論文  参考訳（メタデータ） (2021-10-15T11:12:56Z)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
  GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。 GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。 無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。 GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-13T14:51:02Z)
• MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
  本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。 玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
  論文  参考訳（メタデータ） (2020-06-18T07:38:54Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。